【EI复现】考虑灵活性的数据中心微网两阶段鲁棒规划方法（Matlab代码实现）

原创于 2025-12-20 00:35:24 发布 · 272 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#matlab #开发语言 #支持向量机

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

💥1 概述

文献来源：

随着社会对于数据计算的需求，数据中心负荷在全社会用电量的占比增长迅速。据研究报告[1]所述，我国 2020 年数据中心的用电总量占全国用电量的比例已达到 2.7%。对于大部分公司与企业，他们通常会选择将数据中心建在距离其办公场地距离较近的地方以便管理与维护。由于数据

中心巨大耗电量带来的高昂电费支出，数据中心运营商倾向于尽可能利用可再生资源以削减开支[2]，此外，为了满足数据中心对供电可靠性的严格要求，运营商通常会配备相应的储能，燃气轮机，柴油发电机等多种备用电源[3]，同时，考虑到我国近年来对于微网的大力支持，鼓励以特许经营等方式开展各类微网项目的建设运营，因此很多数据中心运营商选择建设独立的，以数据中心为主体的数据中心微网[4]。

图 1 为数据中心微网的典型结构，该微网内部包含光伏机组，传统发电机组，储能设备与数据中心，并通过变压器与上级配电网相连。

本文含数据中心的微网两阶段鲁棒规划算法的流程图如图 2 所示：

一、研究背景与意义

随着信息技术的飞速发展，数据中心作为支撑现代社会运转的关键基础设施，其能耗问题日益突出。为了降低数据中心的能源消耗和碳排放，构建绿色、高效的能源供应系统已成为当务之急。数据中心微网作为一种有效的解决方案，通过整合分布式电源（如光伏、风电）、储能系统（如电池储能）、可控负荷（如非关键IT设备、冷却系统）以及与外部电网的连接，形成了一个相对独立的能源管理单元。然而，数据中心微网在实际运行中面临着诸多不确定性因素，例如可再生能源输出波动、负荷需求变化以及市场电价波动等，这些不确定性给微网的优化运行带来了严峻挑战。因此，研究考虑不确定性的数据中心微网鲁棒规划方法具有重要的理论意义和实际价值。

二、研究方法

本文提出了一种考虑灵活性的数据中心微网两阶段鲁棒规划方法，旨在构建一个能够有效应对不确定性，同时充分利用微网内部灵活性资源，提高系统鲁棒性和经济性的规划模型。该方法的核心思想是在第一阶段确定设备的容量配置和初始状态等长期决策，然后在第二阶段根据不确定性的实现值进行实时的运行调度。通过将微网的运行调整能力建模为第二阶段决策，两阶段鲁棒优化能够更好地反映系统在实际运行中的灵活性，从而获得更加经济和实际的鲁棒规划方案。

三、模型构建

系统组件：
- 分布式电源：包括光伏发电系统（PV）和可能的其他可再生能源（如风电）。其出力受天气条件影响，具有不确定性。
- 储能系统：主要为电池储能系统（BES）。具有充放电能力，可以在不同时间段储存和释放电能，用于平抑可再生能源波动和进行峰谷套利。
- 负荷：主要包括IT负荷和冷却负荷。
- 可控负荷：指可以根据系统运行需求进行调节的负荷，例如部分冷却设备、非关键IT设备的开启/关闭等。可控负荷的调节能力是微网重要的灵活性资源。
- 与主网交互：微网可以通过并网点与外部电网进行电能交互，包括购电和售电。购电和售电电价可能随时间变化，具有不确定性。
不确定性集：
- 采用不确定性集来描述可再生能源出力和数据中心负荷的不确定性。不确定性集通常是一个多面体，由不确定性变量的上下界和一些约束条件定义。
- 通过引入一个反映不确定性程度的预算参数，可以控制不确定性集的大小，从而调节鲁棒性的程度。预算参数越大，考虑的最坏情景越严峻，鲁棒性越强，但可能导致系统的运行成本增加。
目标函数与约束条件：
- 目标函数：通常是一个最小-最大-最小问题，旨在最小化在最坏不确定性情景下的系统总成本。
- 约束条件：包括能源平衡约束、设备运行限制、储能系统约束、与主网交互约束等。

四、求解算法

两阶段鲁棒优化模型的求解是一个具有挑战性的问题，特别是当模型规模较大时。常用的求解方法是将原始问题转化为易于求解的形式，例如利用强对偶理论将内部的最小问题转化为对偶问题，从而将最大-最小问题转化为最大问题。然后，再通过对偶问题进行求解。列与约束生成算法（Column-and-Constraint Generation, C&CG）是求解两阶段鲁棒优化问题的有效方法。该算法通过迭代的方式，在主问题和子问题之间进行交互，最终收敛到最优解。

五、关键结论与仿真分析

关键结论：
- 所提出的模型充分考虑了光伏电站与数据中心微网内部常规负荷与数据中心负荷存在的不确定性。
- 通过求解两阶段鲁棒规划模型，在特定的鲁棒参数下可以计算出最恶劣场景对应的规划方案，使得系统总规划成本在可接受的系统参数波动下最小。
- 分析了鲁棒参数中保守性参数与最大波动偏差发生变化的情况下，对应数据中心的最优补偿价格，有利于微网运营商根据历史数据与风险需求，设计相应的数据中心补偿价格与制定更具经济性的规划计划。
仿真分析：
- 通过仿真分析验证了所建模型和求解算法的有效性。
- 相比于传统的数据中心微网规划，所提出的模型可为不同风险偏好的数据中心运营商提供最经济的微网设备容量配置与数据中心用户补偿价格，以使其规划成本最低。

六、应用前景与政策建议

应用前景：
- 随着数据中心能源消耗的快速增长和可再生能源的广泛应用，考虑灵活性的数据中心微网两阶段鲁棒规划方法具有重要的应用前景。
- 该方法可以帮助数据中心运营商在保障供电可靠性的同时，降低能源消耗和碳排放，提高经济效益和社会效益。
政策建议：
- 政府应出台相关政策，鼓励数据中心采用微网技术和可再生能源，降低对传统能源的依赖。
- 加强对数据中心微网技术的研发和推广，提高系统的智能化和自动化水平。
- 建立完善的电力市场机制，允许数据中心微网参与电力市场交易，提高其经济性和灵活性。

📚2 运行结果

运行结果较多，就不一一展示啦。

部分代码：

%两阶段鲁棒规划模型，第一阶段是投资成本最小，第二阶段是综合运行成本最小
%即min(设备投资成本+max(不确定光伏+常规负荷+数据中心负荷条件下的min(综合运行成本)))
%产销者的第一阶段，根据给出的一组恶劣随机源荷，决策出燃气轮机和储能设备的容量配置结果
%% 导入基础电负荷以及可再生出力值
Pribuy=[0.48*ones(1,7),0.9,1.35*ones(1,3),0.9*ones(1,7),1.35*ones(1,5),0.48];%购电价
Prisell=0.5*Pribuy;%文中未给出售电价格,这里选用0.5倍购电价格
%% 决策变量初始化
M=1e5;
Ebuy=sdpvar(iter,24,'full'); %向电网购买
Esell=sdpvar(iter,24,'full'); %向电网售出
eta=sdpvar(1,1,'full'); %割平面
SessMAX=M; %储电装置配置容量上限
Sessmax=sdpvar(1,1,'full'); %储电装置配置的容量
Sess=sdpvar(iter,24,'full'); %储电装置的实时储电量
EessC=sdpvar(iter,24,'full'); %储电的充电功率
EessD=sdpvar(iter,24,'full'); %储电的放电功率
EMT=sdpvar(iter,24,'full'); %燃气轮机电出力
LMT=sdpvar(iter,24,'full'); %燃气轮机冷出力
EMTmax = sdpvar(1,1,'full'); %燃气轮机容量
EMTMAX = M; %燃气轮机配置容量的上限
EPV= sdpvar(iter,24,'full'); %光伏实际出力
EPVcur= sdpvar(iter,24,'full');%光伏弃电
EdataPY= sdpvar(24,24,iter,'full');%可平移类型的数据服务器负荷响应后的功率 (按照第一维度的累加等于第二维度的初始功率来编码)
Eshuileng = sdpvar(iter,24,'full');%水冷耗电功率
Lshuileng = sdpvar(iter,24,'full');%水冷制冷功率
%% 约束条件
C=[];
%阶段一的约束条件部分
C=[C,
0<=Sessmax,Sessmax<=SessMAX, %储能容量配置上限约束
0<=EMTmax,EMTmax<=EMTMAX, %燃气轮机容量配置上限约束
];
%阶段二的约束条件部分
C=[C,
EPVtemp==EPV+EPVcur, %光伏，允许弃光
0<=EPV,EPV<=EPVtemp,
0<=EPVcur,EPVcur<=EPVtemp,
0<=Ebuy,Ebuy<=1000, %微网与外电网的购售电约束，这里由于目标函数的设置就可以避免同时购售电的情况，故不需要设置状态变量
0<=Esell,Esell<=1000,
0<=EMT,EMT<=EMTmax, %燃气轮机的发电效率正常为35%
0<=LMT,LMT<=EMT/2, %余热制冷的效率取35/2/65=26.92%
Lshuileng*0.3==Eshuileng, %水冷，这里的电相当于水泵，那自然应该小于冷负荷
0<=Lshuileng,Lshuileng<=100,